六个预训练的深度学习模型，用于从日益增加的图像中数字化和提取特征。深度学习模型可以轻松地自动化卫星图像分析、点云数据数字化和地理特征提取等繁琐任务。组织提供6个预训练的深度学习模型，可用于从提取建筑物足迹到检测沉船的各种应用场景。1.架构足迹提取“架构足迹提取”模型是迄今为止最受欢迎的模型之一。该深度学习模型用于从高分辨率（10-40厘米）图像中提取建筑物足迹。提取建筑足迹可用于工业领域，例如城市规划和开发、保险、税收、变化检测、基础设施规划以及各种其他应用程序的基础制图和分析工作流。可以使用新的深度学习模型自动提取建筑物足迹。尽管该模型是为毗邻的美国设计的，但它在世界其他地区的效果非常好。下图是显示部分结果的故事地图。该模型已更新并在更多数据上进行了训练。这种深度学习模型能够识别非常接近的建筑物，这是原始模型无法做到的。下图显示了结果的差异：您会注意到水体、码头和通常不存在建筑物的地方的误报率显着下降。2.道路提取新的道路提取模型可以从卫星图像中提取道路轨迹。道路是任何县、市、州或联邦政府机构进行基础设施规划、城市规划和开发高效信息模型所需的主要GIS图层之一。数字化和更新道路可能非常耗时。该模型使大部分数字化过程自动化。它基于多任务提取器arcgis.learn模型，这是一个非常先进的模型，可以提供路段的连接，如下图所示：当使用语义分割模型（如U-Net）时，从卫星图像中提取道路网络通常会导致路段支离破碎。这是因为路边的树木、建筑物和阴影造成的遮挡，卫星图像给道路提取造成了困难。该模型使用多任务学习，灵感来自人类通过在特定方向跟踪道路来注释道路。该模型还可用于土路和井场通道，如下图所示。3.土地覆盖分类美国环境系统研究所（Esri）于2020年10月发布了第一个土地覆盖模型。-8个卫星图像集可以使用。生成的土地覆盖图可用于了解城市规划、资源管理、变化检测、农业以及需要地球表面信息的各种其他应用。现在正在发布用于Sentinel-2图像的更高分辨率的土地覆盖分类模型。这种模式适用于欧洲国家。它还在CORINELandCover(CLC)2018上进行了训练，使用与生成的数据库相同的Sentinel-2场景。土地覆盖分类是一项复杂的任务，使用传统方法难以获得。深度学习模型具有很高的学习这些复杂语义的能力，并提供更好的结果，如下图所示。这个故事地图显示了模型在几个区域的分类结果。该模型还可用于变化检测，因为可以在不同时间拍摄的两张图像上运行它，并查看土地覆盖的变化，例如由野火引起的变化。下图可以看出城市化的增长。新住宅区用红色阴影表示。4.高分辨率人类住区地图对于理解人类住区格局无疑具有重要价值。从相对低分辨率的卫星图像生成小地图对于了解区域或全球增长模式、人口分布、资源管理、变化检测和各种其他统计数据有其自身的价值。一个例子是疫苗接种计划，在地图上标记村庄以确保所有需要疫苗的人都能获得疫苗。下图显示了人类住区新模型的结果，该模型应用于Landsat8卫星图像并提取：通过该模型，可以看出城市化将如何影响全球变化。例如，从2015年到2021年，阿联酋沙迦周围的人类足迹是如何增加的，如下图所示：应用于Sentinel影像的人类住区提取模型。5.沉船探测除了航拍图像，这些新模型还包括一个使用测深数据探测水下沉船的模型。虽然这是一个小众行业，但维护S57航海图是一项关键要求。航道上未标记为埋葬的残骸可能是灾难性的，会损坏船只或港口，并造成生命和财产损失。该模型包括一个地理处理工具，可提供必要的预处理步骤并简化流程。6、图像中的车牌和人脸模糊随着传感器数量的大量增加和海量数据的涌入，隐私等问题成为人们关注的问题。研究院发布了两款机型来满足这一需求。这些模型用于匿名化或模糊街景图像中的人脸和汽车牌照。这些模型可与ArcGISPro中的“使用深度学习对像素进行分类”工具一起使用。模型的示例结果如下所示：这些只是过去几个月为自动化和简化工作流程而开发的模型中的一部分。原标题：6Pre-TrainedDLModelstoDigitizeandExtractFeaturesfromImagery，作者：DavidCardella
